結(jié)合級(jí)聯(lián)注意力機(jī)制的車(chē)輛檢測(cè)算法

鄧天民，劉旭慧，王 麗，王春霞

重慶交通大學(xué) 交通運(yùn)輸學(xué)院，重慶 400074

車(chē)輛檢測(cè)作為目標(biāo)檢測(cè)的具體應(yīng)用領(lǐng)域，對(duì)構(gòu)建智能化交通系統(tǒng)起著關(guān)鍵性作用。在汽車(chē)自動(dòng)駕駛系統(tǒng)和高級(jí)輔助駕駛系統(tǒng)（advanced driver assistance systems，ADAS）中，車(chē)輛檢測(cè)的準(zhǔn)確性直接影響到行車(chē)安全。隨著計(jì)算機(jī)硬件水平的提升，基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）的目標(biāo)檢測(cè)方法取得了驚人的成果[1]，掀起了許多學(xué)者對(duì)深度學(xué)習(xí)的研究熱潮。

目前，基于深度學(xué)習(xí)的車(chē)輛檢測(cè)方法主要分為兩類(lèi)。一類(lèi)是兩階段檢測(cè)算法，此類(lèi)算法檢測(cè)準(zhǔn)確率和定位精度較高，但缺點(diǎn)是訓(xùn)練速度慢，實(shí)時(shí)性差。其中代表性的算法有R-CNN[2]、Fast R-CNN[3]、Faster R-CNN[4]等。宋煥生等[5]通過(guò)改進(jìn)Faster R-CNN 算法實(shí)現(xiàn)了對(duì)復(fù)雜場(chǎng)景下的車(chē)輛檢測(cè)，把場(chǎng)景中的目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)換為二分類(lèi)問(wèn)題，雖然基本能滿(mǎn)足實(shí)時(shí)性要求，但模型對(duì)遠(yuǎn)場(chǎng)景下的小目標(biāo)車(chē)輛無(wú)法精確識(shí)別；楊薇等[6]提出了一種改進(jìn)的Faster R-CNN 車(chē)輛實(shí)時(shí)檢測(cè)算法，訓(xùn)練時(shí)采用多尺度策略，提高了模型泛化能力，但對(duì)于復(fù)雜環(huán)境下車(chē)輛密集、遮擋嚴(yán)重時(shí)檢測(cè)效果較差。

另一類(lèi)是一階段檢測(cè)算法，此類(lèi)算法不需要生成候選框，可直接預(yù)測(cè)物體的位置與類(lèi)別。其中代表性的算法有YOLO（you only look once）系列算法[7-10]以及單擊多盒檢測(cè)器（single shot multibox detector，SSD）[11]等。Wang等[12]提出了一種基于改進(jìn)的YOLOv3-Tiny的車(chē)輛檢測(cè)方法，加入空間金字塔池化模塊，增強(qiáng)了模型的特征提取能力，取得了較高的檢測(cè)精度，但對(duì)于遠(yuǎn)場(chǎng)景下小目標(biāo)的檢測(cè)效果較差；郭健忠等[13]提出一種改進(jìn)SSD的車(chē)輛小目標(biāo)檢測(cè)算法，用MobileNetv2 替換SSD 中的AGG-16 作為檢測(cè)網(wǎng)絡(luò)，提高了對(duì)小尺度目標(biāo)的檢測(cè)能力，但在車(chē)輛密集且遮擋較為嚴(yán)重的情況下仍存在漏檢較多的問(wèn)題。

針對(duì)上述問(wèn)題，提出結(jié)合級(jí)聯(lián)注意力機(jī)制的車(chē)輛檢測(cè)算法，即CAM-YOLO（cascading attention mechanismyou only look once），考慮到以往車(chē)輛檢測(cè)算法對(duì)于復(fù)雜背景車(chē)輛檢測(cè)精度較低，設(shè)計(jì)級(jí)聯(lián)注意力特征提取模塊CAFEM（cascading attention feature extraction module），分別從通道和空間兩個(gè)維度挖掘重要特征信息，抑制干擾特征信息，將其嵌入基礎(chǔ)主干網(wǎng)絡(luò)，使網(wǎng)絡(luò)更具指向性的提取復(fù)雜背景車(chē)輛目標(biāo)的關(guān)鍵信息；為了準(zhǔn)確檢測(cè)遠(yuǎn)場(chǎng)景小目標(biāo)車(chē)輛，采取多尺度特征檢測(cè)方法，基于淺層網(wǎng)絡(luò)重點(diǎn)提取目標(biāo)位置信息，增加大尺度檢測(cè)層以提取小目標(biāo)的關(guān)鍵信息，提高目標(biāo)檢測(cè)器對(duì)遠(yuǎn)場(chǎng)景下小目標(biāo)車(chē)輛的檢測(cè)性能；為了實(shí)現(xiàn)密集遮擋車(chē)輛準(zhǔn)確檢測(cè)，使用DIOU_NMS后處理方法，精準(zhǔn)回歸預(yù)測(cè)框，解決目標(biāo)檢測(cè)器分類(lèi)分?jǐn)?shù)和定位精度不匹配的問(wèn)題，提升密集遮擋目標(biāo)車(chē)輛的檢測(cè)精度。與現(xiàn)有檢測(cè)方法進(jìn)行對(duì)比分析發(fā)現(xiàn)，在執(zhí)行復(fù)雜背景、遠(yuǎn)場(chǎng)景以及密集遮擋下的車(chē)輛檢測(cè)任務(wù)時(shí)，CAM-YOLO 算法整體性能更強(qiáng)。

1 YOLOv5s算法

YOLOv5 是一種利用回歸思想處理圖片的目標(biāo)檢測(cè)網(wǎng)絡(luò)，YOLOv5 模型共包含四個(gè)版本YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x，模型參數(shù)和性能依次提升。YOLOv5s 是Yolov5 系列中最小的模型結(jié)構(gòu)，模型寬度和深度分別為0.33 和0.5，YOLOv5m、YOLOv5l 以及YOLOv5x 在YOLOv5s 模型基礎(chǔ)上不斷加深加寬。本文采用YOLOv5s作為基線算法。YOLOv5s包括input、Backbone、Neck和Head輸出四個(gè)部分。

在數(shù)據(jù)輸入端，YOLOv5s 采用Mosaic 數(shù)據(jù)增強(qiáng)技術(shù)，將四張圖片進(jìn)行隨機(jī)裁剪拼接至一張圖像中作為訓(xùn)練數(shù)據(jù)，使輸入端同時(shí)獲得四張圖片的信息，豐富圖像背景信息，并提出了自適應(yīng)錨框，自動(dòng)計(jì)算圖片的最佳縮放系數(shù)。

在Backbone中，YOLOv5s主要包括Focus結(jié)構(gòu)、C3結(jié)構(gòu)和SPP結(jié)構(gòu)。Focus結(jié)構(gòu)主要是將輸入圖像進(jìn)行切片操作，增加特征通道數(shù)并減小特征尺寸，減少浮點(diǎn)運(yùn)算量的同時(shí)提升運(yùn)算速度，并且減少了模型層數(shù)。C3結(jié)構(gòu)由Conv 模塊、Bottleneck 模塊和Concat 模塊組成，增加特征圖信息，提高模型的學(xué)習(xí)能力。SPP結(jié)構(gòu)使用多個(gè)最大池化操作，對(duì)于不同的輸入特征SPP結(jié)構(gòu)都產(chǎn)生固定大小的輸出，SPP處理結(jié)果進(jìn)一步提升了不同尺度和長(zhǎng)寬比輸入圖像的尺度不變性。

Neck 的核心為特征金字塔網(wǎng)絡(luò)[14]（feature pyramid network，F(xiàn)PN）和路徑聚合網(wǎng)絡(luò)[15]（path aggregation network，PAN），其主要作用為增強(qiáng)網(wǎng)絡(luò)模型對(duì)不同縮放尺度對(duì)象的檢測(cè)。特征金字塔網(wǎng)絡(luò)將強(qiáng)語(yǔ)義特征從深層傳遞至淺層，路徑聚合網(wǎng)絡(luò)將強(qiáng)位置特征從淺層傳遞到深層，這兩種結(jié)構(gòu)共同加強(qiáng)了Neck 結(jié)構(gòu)的特征融合能力。

Head 輸出端通常包括Bounding box 損失函數(shù)和NMS（non-maximum suppression，非極大值抑制）。YOLOv5s的Bounding box回歸損失函數(shù)有效地解決了前期YOLO系列無(wú)法優(yōu)化邊界框不相交的問(wèn)題。最后，YOLOv5s 使用加權(quán)NMS 篩選多目標(biāo)框，用來(lái)處理冗余預(yù)測(cè)框的問(wèn)題，提高了網(wǎng)絡(luò)識(shí)別的準(zhǔn)確性。YOLOv5s網(wǎng)絡(luò)整體結(jié)構(gòu)如圖1所示。

2 CAM-YOLO算法

CAM-YOLO算法的核心思想是盡可能保證目標(biāo)檢測(cè)器實(shí)時(shí)檢測(cè)性能的前提下，著重關(guān)注如何挖掘有益于復(fù)雜背景、遠(yuǎn)場(chǎng)景以及密集遮擋下車(chē)輛檢測(cè)的關(guān)鍵特征信息，通過(guò)提出的級(jí)聯(lián)注意力特征提取模塊CAFEM、多尺度特征檢測(cè)方法以及DIOU_NMS目標(biāo)檢測(cè)后處理方法來(lái)提升基準(zhǔn)模型YOLOv5s在車(chē)輛目標(biāo)檢測(cè)任務(wù)中的表現(xiàn)。CAM-YOLO算法框架結(jié)構(gòu)圖如圖2所示。

圖2 CAM-YOLO網(wǎng)絡(luò)Fig.2 CAM-YOLO network

2.1 級(jí)聯(lián)注意力特征提取模塊

在卷積神經(jīng)網(wǎng)絡(luò)中，圖像經(jīng)過(guò)多個(gè)卷積層，目標(biāo)特征位置信息與語(yǔ)義信息被提取出來(lái)，但是對(duì)于復(fù)雜背景圖像，目標(biāo)檢測(cè)器受到無(wú)關(guān)背景信息的干擾，即使經(jīng)過(guò)了多層卷積，也很難提取到目標(biāo)重要特征信息。為更好地提取復(fù)雜背景下車(chē)輛目標(biāo)的關(guān)鍵信息，弱化無(wú)關(guān)背景信息的干擾，本節(jié)結(jié)合通道域注意力機(jī)制和空間域注意力機(jī)制，提出級(jí)聯(lián)組合的混合域注意力機(jī)制，沿著通道維度獲取通道間的相互依賴(lài)關(guān)系，在空間維度上進(jìn)一步挖掘特征圖的上下文信息，實(shí)現(xiàn)圖片的關(guān)鍵信息提取。級(jí)聯(lián)注意力特征提取模塊由C3 模塊、通道注意力模塊（channel attention module，CAM）以及空間注意力模塊（spatial attention module，SAM）級(jí)聯(lián)組成。C3 模塊由Conv 模塊、Bottleneck 模塊和Concat 模塊組成，C3 將輸入特征分為不同分支，分別進(jìn)行卷積使得特征通道數(shù)減半，其中一個(gè)分支進(jìn)行Bottleneck 操作，經(jīng)過(guò)Concat 將兩個(gè)分支特征合并，增加特征圖信息，提高模型的學(xué)習(xí)能力。

通道注意力模塊重點(diǎn)關(guān)注有意義的輸入特征圖，并且計(jì)算各個(gè)通道之間的內(nèi)在關(guān)系，對(duì)輸入特征F使用全局均值池化（global average pooling，GAP）并得到Facvg，以集成每個(gè)通道上的空間信息；同時(shí)使用全局最大池化（global max pooling，GMP）并得到Fcmax，以獲得目標(biāo)更精細(xì)的特征。將Fcavg和Fcmax接入由多層感知器（multilayer perceptron，MLP）構(gòu)成的共享神經(jīng)網(wǎng)絡(luò)，為減少參數(shù)，避免模型運(yùn)算量的增加，將多層感知器中間層大小設(shè)為Rc/r×1×1（r為衰減比率）。將經(jīng)過(guò)多層感知器的new_Fcavg和new_Fcmax進(jìn)行對(duì)應(yīng)元素相加，最終得到通道注意力圖，CAM結(jié)構(gòu)如圖3所示。整個(gè)流程用公式表示為：

圖3 通道注意力模塊Fig.3 Channel attention module

式中，Mc(·)表示通道注意力模塊的內(nèi)部操作，F(xiàn)為輸入圖像，σ為sigmoid 函數(shù)，MLP(·)表示混合卷積層的內(nèi)部操作。

空間注意力模塊從空間層面上關(guān)注特征圖的內(nèi)在關(guān)系。為得到特征圖的通道信息，首先同時(shí)沿著通道軸對(duì)其進(jìn)行全局均值池化和全局最大池化操作，分別關(guān)注特征圖的全局特征和最突出特征，將這兩種方式的池化結(jié)構(gòu)Fsavg∈R1×H×W和Fsmax∈R1×H×W進(jìn)行拼接，再經(jīng)過(guò)7×7 的標(biāo)準(zhǔn)卷積層以及Sigmoid 激活函數(shù)，最終得到空間注意力圖，SAM結(jié)構(gòu)如圖4所示。整個(gè)流程用公式表示為：

圖4 空間注意力模塊Fig.4 Spatial attention module

式中，Ms(·)表示空間注意力模塊的內(nèi)部操作，F(xiàn)為輸入圖像，σ為sigmoid函數(shù)，f7×7表示卷積核為7×7的卷積操作，AvgPool(·)和MaxPool(·)分別表示平均池化和最大池化操作。

通道注意力模塊CAM忽視了空間域內(nèi)部的信息交互，將一個(gè)通道內(nèi)的信息進(jìn)行全局加權(quán)處理；空間注意力模塊SAM將輸入特征的每個(gè)通道進(jìn)行相同的空間加權(quán)處理，忽視了通道域的信息交互。因此，將通道注意力模塊與空間注意力模塊通過(guò)級(jí)聯(lián)的方式連接，旨在從全局特征信息出發(fā)，沿著通道與空間兩個(gè)維度深入挖掘復(fù)雜背景下輸入特征內(nèi)部的關(guān)鍵信息，進(jìn)而篩選出任務(wù)相關(guān)的重要信息，弱化不相關(guān)信息的干擾。此外，將C3模塊與其相結(jié)合，首先提取特征圖的特征信息，能夠更好地加強(qiáng)模型的學(xué)習(xí)能力。級(jí)聯(lián)注意力特征提取模塊CAFEM網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 CAFEM模塊Fig.5 CAFEM module

2.2 多尺度特征檢測(cè)方法

原始YOLOv5s 骨干網(wǎng)絡(luò)使用3 種不同尺寸的特征圖來(lái)檢測(cè)不同大小的目標(biāo)，該網(wǎng)絡(luò)將原始輸入圖像通過(guò)8倍下采樣、16倍下采樣、32倍下采樣得到3種不同尺寸大小的特征圖，將其輸入到特征融合網(wǎng)絡(luò)中。在特征提取過(guò)程中，淺層網(wǎng)絡(luò)提取目標(biāo)紋理邊緣特征，具有更多的細(xì)節(jié)內(nèi)容描述；深層網(wǎng)絡(luò)提取目標(biāo)豐富的語(yǔ)義信息，但削弱了對(duì)遠(yuǎn)場(chǎng)景小目標(biāo)位置信息和細(xì)節(jié)信息的感知，造成大量遠(yuǎn)場(chǎng)景小目標(biāo)特征信息的丟失。

針對(duì)以上問(wèn)題，結(jié)合多尺度特征檢測(cè)方法，本文在YOLOv5s 骨干網(wǎng)絡(luò)的基礎(chǔ)上對(duì)特征圖增加一次4 倍下采樣操作，如圖6 所示，得到一個(gè)含有更多細(xì)節(jié)信息的大尺度特征圖，該特征圖感受野較小，位置信息更為豐富，可以提高目標(biāo)檢測(cè)器對(duì)遠(yuǎn)場(chǎng)景小目標(biāo)的特征提取能力。

圖6 CAM-YOLO特征提取模型Fig.6 CAM-YOLO feature extraction model

本文共利用4 個(gè)不同尺度特征層的淺層和深層特征，融合豐富的特征信息以指導(dǎo)車(chē)輛圖像遠(yuǎn)場(chǎng)景下小目標(biāo)檢測(cè)任務(wù)。同時(shí)，特征金字塔網(wǎng)絡(luò)FPN自上向下傳遞深層次語(yǔ)義特征，路徑聚合網(wǎng)絡(luò)PAN自下向上傳遞目標(biāo)位置信息，如圖7所示，將FPN與PAN相結(jié)合，增強(qiáng)模型對(duì)遠(yuǎn)場(chǎng)景下小目標(biāo)車(chē)輛特征的敏感度。

圖7 CAM-YOLO特征融合網(wǎng)絡(luò)Fig.7 CAM-YOLO feature fusion network

2.3 DIOU_NMS方法

在目標(biāo)檢測(cè)后處理過(guò)程中，非極大值抑制[16]（nonmaximum-suppression，NMS）方法被廣泛使用。在經(jīng)典的NMS 方法中，NMS 高效地檢測(cè)聚類(lèi)，通過(guò)不斷檢索分類(lèi)置信度最高的檢測(cè)框，使用交集-重疊來(lái)表示2個(gè)邊界框之間的內(nèi)在關(guān)聯(lián)，將大于人工給定IOU閾值的邊界框視作冗余檢測(cè)框刪去[17]。但是，在密集目標(biāo)車(chē)輛場(chǎng)景中，當(dāng)兩個(gè)目標(biāo)車(chē)輛距離較近時(shí)，交并比的值比較大，經(jīng)過(guò)NMS方法過(guò)濾后，只剩下一個(gè)目標(biāo)檢測(cè)框，導(dǎo)致密集車(chē)輛漏檢的情況時(shí)有發(fā)生?；诖?，借鑒DIOU損失函數(shù)[18]的思想，用DIOU_NMS 方法作為目標(biāo)檢測(cè)的后處理方法，DIOU_NMS方法將DIOU作為NMS的準(zhǔn)則，在抑制準(zhǔn)則中同時(shí)考慮重疊區(qū)域與檢測(cè)框中心點(diǎn)之間的距離，更有利于回歸密集目標(biāo)車(chē)輛預(yù)測(cè)框。假設(shè)模型檢測(cè)出一個(gè)候選框，記為Hi，對(duì)于類(lèi)別置信度最高的預(yù)測(cè)框M，DIOU_NMS方法公式的si可以定義為：

式中，RDIOU(M,Hi)為RDIOU關(guān)于M和H i的值；ε為NMS 操作手動(dòng)設(shè)置的閾值；si為不同缺陷類(lèi)別的分類(lèi)得分；IOU為交并比；i為每個(gè)網(wǎng)格對(duì)應(yīng)錨框的個(gè)數(shù)。

DIOU_NMS方法考慮了預(yù)測(cè)框和真實(shí)框之間的距離、重疊面積和長(zhǎng)寬比，考慮到中心點(diǎn)距離較遠(yuǎn)的預(yù)測(cè)框可能會(huì)分別位于不同的車(chē)輛目標(biāo)上，將預(yù)測(cè)框與真實(shí)框的交并比和中心點(diǎn)距離結(jié)合起來(lái)，如圖8 所示，不僅優(yōu)化IOU 損失，而且指引中心點(diǎn)的學(xué)習(xí)，能夠更加精準(zhǔn)地回歸預(yù)測(cè)框，提升密集遮擋下的車(chē)輛目標(biāo)的檢測(cè)精度。

圖8 DIOU_NMS方法Fig.8 DIOU_NMS method

3 實(shí)驗(yàn)

實(shí)驗(yàn)平臺(tái)配置如表1所示。

表1 實(shí)驗(yàn)平臺(tái)配置表Table1 Experimental platform configuration table

3.1 數(shù)據(jù)集

使用KITTI 數(shù)據(jù)集[19]和BDD100K（Berkeley deep drive 100K）數(shù)據(jù)集[20]作為實(shí)驗(yàn)數(shù)據(jù)集。KITTI 數(shù)據(jù)集包含市區(qū)、高速公路和鄉(xiāng)村等交通場(chǎng)景，含有8個(gè)類(lèi)別：

Car、Van、Truck、Tram、Pedestrain、Person（sitting）、Cyclist、Misc。BDD100K數(shù)據(jù)集涵蓋了6種不同天氣，6種不同場(chǎng)景以及白天、黃昏、夜晚3 種時(shí)間階段，含有10 個(gè)類(lèi)別：Person、Rider、Car、Bus、Truck、Bike、Motor、Traffic light、Traffic sign、Train。由于BDD100K數(shù)據(jù)集包含大量夜間、模糊等困難樣本，因此檢測(cè)精度偏低。兩種數(shù)據(jù)集部分樣本如圖9所示。

圖9 部分樣本示意圖Fig.9 Partial sample schematic

從KITTI數(shù)據(jù)集的8個(gè)類(lèi)別中選擇實(shí)驗(yàn)所需的3個(gè)類(lèi)別：Car、Van、Truck，得到7 481 張圖片作為基礎(chǔ)實(shí)驗(yàn)數(shù)據(jù)集，其中6 058 張圖片作為訓(xùn)練集，674 張圖片作為驗(yàn)證集，749張圖片作為測(cè)試集。

從BDD100K 數(shù)據(jù)集的10 個(gè)類(lèi)別中選擇實(shí)驗(yàn)所需的3個(gè)類(lèi)別：Car、Bus、Truck，得到7 000張圖片作為基礎(chǔ)實(shí)驗(yàn)數(shù)據(jù)集，其中5 670 張圖片作為訓(xùn)練集，630 張圖片作為驗(yàn)證集，700張圖片作為測(cè)試集。

此外，本文將目標(biāo)邊界框與圖像面積的比值開(kāi)方小于0.03的目標(biāo)定義為小目標(biāo)。KITTI數(shù)據(jù)集共計(jì)65 504個(gè)標(biāo)注信息，其中包含1 494個(gè)小目標(biāo)標(biāo)注信息，約占總標(biāo)注信息的2.3%。BDD100K 數(shù)據(jù)集共計(jì)65 535 個(gè)標(biāo)注信息，其中包含24 481 個(gè)小目標(biāo)標(biāo)注信息，約占總標(biāo)注信息的37.4%。各類(lèi)別具體標(biāo)注信息如表2所示。

表2 數(shù)據(jù)集標(biāo)注信息Table 2 Dataset labeling information

3.2 網(wǎng)絡(luò)訓(xùn)練參數(shù)

模型訓(xùn)練過(guò)程中，為避免模型陷入局部最優(yōu)解或者跳過(guò)最優(yōu)解，將動(dòng)量系數(shù)設(shè)置為0.9。網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)率設(shè)置為0.01。為防止網(wǎng)絡(luò)在訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合，將權(quán)重衰減正則項(xiàng)設(shè)置為0.000 5。經(jīng)過(guò)200 輪模型迭代訓(xùn)練，模型得到最優(yōu)權(quán)重。

3.3 評(píng)價(jià)指標(biāo)

為評(píng)價(jià)本文提出的車(chē)輛檢測(cè)算法的性能，采用平均精度均值（mean AP，mAP）作為模型對(duì)多個(gè)目標(biāo)類(lèi)別綜合檢測(cè)性能的評(píng)價(jià)指標(biāo)，采用平均精度（average precision，AP）來(lái)評(píng)價(jià)模型對(duì)單個(gè)目標(biāo)類(lèi)別的檢測(cè)性能。每秒檢測(cè)圖片的幀數(shù)（frames per second，F(xiàn)PS）為模型檢測(cè)的速度。

式中，AP 值是指P-R 曲線面積；mAP 的值由所有類(lèi)別AP 求均值得到；m表示檢測(cè)類(lèi)別總數(shù)；TP 表示正確檢測(cè)框數(shù)量；FP表示誤檢框數(shù)量。

3.4 實(shí)驗(yàn)結(jié)果

在訓(xùn)練的200 個(gè)迭代周期中，KITTI 數(shù)據(jù)集與BDD100K 數(shù)據(jù)集損失值、平均精度均值變化曲線如圖10、11所示。

圖10 損失函數(shù)變化曲線Fig.10 Loss function change curve

由圖10 中可知，相比于基線算法，CAM-YOLO 算法整體損失值明顯降低，充分表明CAM-YOLO 算法能夠有效地減少預(yù)測(cè)信息與真實(shí)信息之間的差距，說(shuō)明其模型預(yù)測(cè)越來(lái)越精確。由圖11可知，相較于基線算法，CAM-YOLO 算法的mAP 所有提升，可以看出，CAMYOLO算法在整體性能上優(yōu)于基線算法。

圖11 mAP變化曲線Fig.11 mAP change curve

3.5 實(shí)驗(yàn)及分析

3.5.1 對(duì)比實(shí)驗(yàn)及分析

為證明CAM-YOLO算法對(duì)車(chē)輛圖像目標(biāo)檢測(cè)的有效性，分別在KITTI 數(shù)據(jù)集和BDD100K 數(shù)據(jù)集上與各種先進(jìn)的車(chē)輛圖像目標(biāo)檢測(cè)算法進(jìn)行對(duì)比分析，表3、表4 所示分別為各算法對(duì)KITTI 測(cè)試集和BDD100K 測(cè)試集三類(lèi)目標(biāo)的AP 值、mAP 值與檢測(cè)速率。從表3 中可以看出，CAM-YOLO 算法與其他先進(jìn)算法相比，Car、Van 兩類(lèi)類(lèi)別AP 值分別取得了98.20%、98.30%的最高檢測(cè)精度，“Truck”的AP值取得了97.90%的較高檢測(cè)精度，mAP 值達(dá)到了98.13%的最優(yōu)檢測(cè)性能，且達(dá)到了76.92 FPS 的較優(yōu)檢測(cè)速度。表4 中CAM-YOLO 算法在Car、Bus兩類(lèi)類(lèi)別上取得了最高檢測(cè)精度，AP值分別為76.20%、58.70%，在“Truck”上取得了47.00%的AP值，mAP值同樣達(dá)到了60.60%的最優(yōu)檢測(cè)性能，檢測(cè)速度達(dá)到了58.82 FPS。由此可見(jiàn)CAM-YOLO 算法在處理車(chē)輛檢測(cè)任務(wù)時(shí)具有較大優(yōu)勢(shì)，檢測(cè)效果十分可觀。

表3 KITTI數(shù)據(jù)集對(duì)比實(shí)驗(yàn)Table 3 KITTI dataset comparison experiments

表4 BDD1OOK數(shù)據(jù)集對(duì)比實(shí)驗(yàn)Table 4 BDD100K dataset comparison experiments

3.5.2 消融實(shí)驗(yàn)及分析

為驗(yàn)證級(jí)聯(lián)注意力特征提取模塊（cascading attention feature extraction module，CAFEM）、多尺度特征檢測(cè)方法、DIOU-NMS方法在車(chē)輛圖像目標(biāo)檢測(cè)任務(wù)中的有效性，在KITTI 數(shù)據(jù)集和BDD100K 數(shù)據(jù)集上進(jìn)行了一系列的消融實(shí)驗(yàn)，以YOLOv5s 為基線算法，精確率、平均精度均值及檢測(cè)速率（FPS）為評(píng)價(jià)指標(biāo)，最終結(jié)果如表5和表6所示。

表5 KITTI數(shù)據(jù)集消融實(shí)驗(yàn)Table 5 Ablation experiments in KITTI dataset

表6 BDD100K數(shù)據(jù)集消融實(shí)驗(yàn)Table 6 Ablation experiments in BDD100K dataset

消融實(shí)驗(yàn)結(jié)果表明，將提出的級(jí)聯(lián)注意力特征提取模塊CAFEM嵌入基線算法的主干網(wǎng)絡(luò)后，幾乎不給模型增加任何負(fù)擔(dān)。KITTI 數(shù)據(jù)集精確率與mAP 變化較小，檢測(cè)效果并不明顯，檢測(cè)速率為86.96 FPS。但是對(duì)于復(fù)雜場(chǎng)景車(chē)輛圖片較多的BDD100K 數(shù)據(jù)集精確率提升了2.8%，mAP 提升了0.6%，檢測(cè)速率不變。證明CAFEM能夠在較少增加模型復(fù)雜度的情況下有效地抑制復(fù)雜背景圖片無(wú)關(guān)信息的干擾，增強(qiáng)關(guān)鍵信息的表征能力，提升復(fù)雜背景下目標(biāo)車(chē)輛的檢測(cè)精度。

在基線算法上融合大尺度特征圖后，網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)增加，導(dǎo)致檢測(cè)速度較基線算法有所降低。KITTI數(shù)據(jù)集精確率提升了1%，mAP 提升0.4%。BDD100K 數(shù)據(jù)集整體精確率下降了0.9%，mAP 下降了0.1%。但Car作為BDD100K 數(shù)據(jù)集中包含小目標(biāo)最多的類(lèi)別，mAP提升了5.5%。Bus和Truck類(lèi)別實(shí)例較少，導(dǎo)致mAP略遜色于基線算法，因此整體mAP變化不大。

在基線算法上采用DIOU_NMS方法后，KITTI數(shù)據(jù)集精確率提升了1.5%，mAP提升了0.1%，檢測(cè)速率下降至84.75 FPS；BDD100K 數(shù)據(jù)集精確率降低了0.5%，mAP提升了0.4%，檢測(cè)速率下降至63.29 FPS。

相對(duì)于基線算法，同時(shí)采用本文所提出的三種方法的CAM-YOLO算法在KITTI數(shù)據(jù)集精確率提升了1%，mAP提升了0.53%，檢測(cè)速率為76.92 FPS；在BDD100K數(shù)據(jù)集精確率提升了1.6%，mAP 提升了2%，檢測(cè)速率為58.82 FPS。由此可知，將三種方法相結(jié)合，可以最大化地提高基線算法的檢測(cè)能力。雖然檢測(cè)速度有所下降，但在達(dá)到實(shí)時(shí)性的前提下獲得了更好的檢測(cè)性能，在復(fù)雜背景、遠(yuǎn)場(chǎng)景以及密集遮擋情況下可以有效的指導(dǎo)車(chē)輛目標(biāo)檢測(cè)任務(wù)。

此外，本文對(duì)KITTI 數(shù)據(jù)集和BDD100K 數(shù)據(jù)集車(chē)輛的漏檢率及虛警率進(jìn)行統(tǒng)計(jì)，結(jié)果如表7、表8 所示。可以看出，相較于基線算法，本文算法的漏檢率及虛警率基本上均有下降，更好地出反映了CAM-YOLO 算法能夠抑制復(fù)雜背景及密集遮擋的影響，增強(qiáng)模型的抗干擾能力。

表7 漏檢率結(jié)果Table 7 Missed detection rate results

表8 虛警率結(jié)果Table 8 False alarm rate results

3.5.3 可視化分析

為進(jìn)一步評(píng)價(jià)基線算法和CAM-YOLO算法在處理車(chē)輛圖像目標(biāo)檢測(cè)任務(wù)時(shí)的性能差異，在KITTI測(cè)試集和BDD100K測(cè)試集中隨機(jī)選取了部分樣例圖片進(jìn)行測(cè)試，并做可視化對(duì)比分析，如圖12、圖13所示。

圖12 KITTI測(cè)試集檢測(cè)效果對(duì)比Fig.12 Comparison of detection effects on KITTI test set

圖13 BDD100K測(cè)試集檢測(cè)效果對(duì)比Fig.13 Comparison of detection effects on BDD100K test set

分別對(duì)比兩種算法的檢測(cè)效果，可以看出，CAMYOLO算法有效提升了基線算法對(duì)復(fù)雜背景、遠(yuǎn)場(chǎng)景以及密集遮擋下目標(biāo)車(chē)輛的檢測(cè)效果。對(duì)比圖12（a）（b）、圖13（a）（b）可以發(fā)現(xiàn)，在復(fù)雜背景目標(biāo)車(chē)輛檢測(cè)時(shí)，基線算法檢測(cè)精度較低，未能達(dá)到精確識(shí)別的要求。CAM-YOLO 算法則通過(guò)弱化噪聲干擾、強(qiáng)化網(wǎng)絡(luò)感興趣的特征，從大量特征信息中分離出了有利于車(chē)輛圖像目標(biāo)檢測(cè)的信息，在面對(duì)復(fù)雜的背景信息時(shí)表現(xiàn)出了較強(qiáng)的抗干擾能力，有效改善了檢測(cè)精度較低的問(wèn)題。通過(guò)圖12（c）（d）、圖13（c）（d）對(duì)比發(fā)現(xiàn)，在遠(yuǎn)場(chǎng)景小目標(biāo)車(chē)輛大量存在時(shí)，基線算法存在車(chē)輛漏檢情況，而CAM-YOLO 算法則能夠精準(zhǔn)進(jìn)行識(shí)別。比較圖12（e）（f）、圖13（e）（f）可以發(fā)現(xiàn)，在密集遮擋車(chē)輛較多時(shí)，基線算法將超過(guò)NMS 臨界值的預(yù)測(cè)框全部過(guò)濾，造成漏檢情況出現(xiàn)，CAM-YOLO算法則精準(zhǔn)回歸預(yù)測(cè)框，避免密集遮擋車(chē)輛漏檢問(wèn)題。總體而言，在處理車(chē)輛圖像目標(biāo)檢測(cè)任務(wù)時(shí)，CAM-YOLO 算法相比于基線算法有更明顯的優(yōu)勢(shì)，對(duì)于背景復(fù)雜、遠(yuǎn)場(chǎng)景下小目標(biāo)車(chē)輛圖像及排列密集的車(chē)輛圖像目標(biāo)具備更強(qiáng)的辨識(shí)能力，有效地減少了出現(xiàn)虛警、漏檢等現(xiàn)象的發(fā)生。

4 結(jié)束語(yǔ)

本文提出結(jié)合級(jí)聯(lián)注意力機(jī)制的車(chē)輛檢測(cè)算法CAM-YOLO，通過(guò)級(jí)聯(lián)注意力特征提取模塊CAFEM，從通道和空間維度提取車(chē)輛圖像目標(biāo)的關(guān)鍵特征信息，弱化無(wú)關(guān)背景噪聲信息，提高復(fù)雜背景下車(chē)輛圖像的目標(biāo)檢測(cè)性能；強(qiáng)化特征金字塔中小目標(biāo)車(chē)輛的細(xì)粒度信息，指導(dǎo)遠(yuǎn)場(chǎng)景下小目標(biāo)車(chē)輛圖像檢測(cè)任務(wù)，并有效改善了目標(biāo)檢測(cè)器對(duì)密集遮擋目標(biāo)的處理能力。在KITTI數(shù)據(jù)集和BDD100K 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，CAMYOLO 算法分別可以達(dá)到98.13%、60.60%的檢測(cè)精度，能夠很好地應(yīng)對(duì)復(fù)雜背景、遠(yuǎn)場(chǎng)景以及密集遮擋車(chē)輛目標(biāo)檢測(cè)任務(wù)。

本文提出的方法在車(chē)輛檢測(cè)中滿(mǎn)足基本的要求，但有進(jìn)一步提升的空間。本文的數(shù)據(jù)集中Bus、Van、Truck等類(lèi)別占比較少，后續(xù)會(huì)不斷擴(kuò)充數(shù)據(jù)集，提高模型的泛化能力。